張躍先,王家琛

(東北大學(xué) 工商管理學(xué)院,遼寧 沈陽(yáng) 110167)

一、研究背景

數(shù)字經(jīng)濟(jì)新商業(yè)模式下,服務(wù)主導(dǎo)邏輯逐漸取代商品主導(dǎo)邏輯,顧客契合行為成為企業(yè)進(jìn)行管理變革的重要理論,是新興營(yíng)銷(xiāo)范式研究的重要主題。顧企關(guān)系由傳統(tǒng)自上而下的聯(lián)結(jié)方式轉(zhuǎn)型為相輔相成的價(jià)值共創(chuàng)模式[1],同時(shí)顧客互動(dòng)從局限于顧企之間的二元交互延伸到需考慮其他參與者的復(fù)雜社會(huì)經(jīng)濟(jì)網(wǎng)絡(luò)[2],這使得電商平臺(tái)輪番升級(jí)謀求以顧客為營(yíng)銷(xiāo)資源深化契合關(guān)系,通過(guò)顧客的社交互動(dòng)與參與合作為企業(yè)引流和促活,加速其向個(gè)性化、社交化和國(guó)際化趨勢(shì)轉(zhuǎn)變。顧客是否愿意主動(dòng)同他人推薦電商網(wǎng)站、分享購(gòu)物信息、發(fā)表評(píng)論等成為新型電商營(yíng)銷(xiāo)的關(guān)鍵與企業(yè)發(fā)展的核心。因此,電商網(wǎng)購(gòu)活動(dòng)中顧客契合行為的動(dòng)態(tài)形成機(jī)理亟待探究。

從顧客契合行為的現(xiàn)有研究來(lái)看,聚焦于驅(qū)動(dòng)因素和效應(yīng)[3]。Pansari et al.[4]在網(wǎng)絡(luò)營(yíng)銷(xiāo)背景下,證實(shí)了客戶(hù)的情感因子影響顧客契合。李慢等[5]以購(gòu)物網(wǎng)站為研究背景,發(fā)現(xiàn)網(wǎng)絡(luò)服務(wù)場(chǎng)景的功能布局、審美訴求等對(duì)顧客契合的形成存在正向影響。Thakur[6]分析得到顧客契合對(duì)網(wǎng)購(gòu)者撰寫(xiě)在線評(píng)論意圖有積極作用。由此可見(jiàn),在線認(rèn)知情景以海量評(píng)論信息為載體賦能顧客情緒和行為并共同構(gòu)成顧客契合的動(dòng)因[7]。然而,營(yíng)銷(xiāo)學(xué)者對(duì)網(wǎng)購(gòu)商業(yè)模式下顧客契合行為的探討聚焦于單階段框架描述,鮮有研究動(dòng)態(tài)考察網(wǎng)購(gòu)情景線索如何影響顧客契合行為。在多階段多主體的服務(wù)情境下,一項(xiàng)經(jīng)營(yíng)活動(dòng)能否成功取決于用戶(hù)的首次采購(gòu)與持續(xù)使用,兩者模型間無(wú)法通用[8]。面對(duì)購(gòu)物網(wǎng)站呈現(xiàn)的超負(fù)荷刺激,新顧客和老顧客對(duì)商家的信任水平、情感依屬、心理契約等[9]涉入程度不同,表現(xiàn)為在情境中搜索并提取不同的關(guān)注商品信息,繼而進(jìn)行不同的趨避。相比首次購(gòu)買(mǎi),重購(gòu)的顧客對(duì)線索感知波動(dòng)趨緩[9],對(duì)產(chǎn)品容錯(cuò)能力提高[10],這意味著不同消費(fèi)主體的契合程度與契合路徑存在差異。本文從動(dòng)態(tài)視角出發(fā)多方位系統(tǒng)描繪顧客契合行為形成過(guò)程,探索顧客契合行為的演化規(guī)律。

依靠互聯(lián)網(wǎng)平臺(tái),Kunz et al.[11]強(qiáng)調(diào)了顧客契合行為與大數(shù)據(jù)之間的聯(lián)系。同時(shí),大量可靠的在線用戶(hù)評(píng)論數(shù)據(jù)保障了高級(jí)客戶(hù)分析的豐富來(lái)源。此外,在行為學(xué)領(lǐng)域已有學(xué)者初步嘗試通過(guò)文本采集與挖掘、復(fù)雜網(wǎng)絡(luò)可視化等技術(shù)探索人類(lèi)行為規(guī)律,這為顧客契合行為的研究提供范式。購(gòu)物情景線索直接作用于顧客認(rèn)知,引發(fā)特定情緒,是在線企業(yè)與顧客交互的前沿觸點(diǎn)[5]。然而,網(wǎng)購(gòu)行為的動(dòng)態(tài)化、場(chǎng)景化、數(shù)據(jù)化和社交化等特征相互耦合,或會(huì)影響線索刺激程度,造成行為反應(yīng)失序、延遲,用傳統(tǒng)的研究手段難以對(duì)顧客契合行為進(jìn)行預(yù)測(cè)研究。因此,采用關(guān)聯(lián)規(guī)則挖掘方法全面刻畫(huà)顧客契合行為形成機(jī)理勢(shì)在必行。

在此背景下,本文基于刺激-機(jī)體-反應(yīng)理論的基本邏輯,動(dòng)態(tài)探索不同消費(fèi)階段下網(wǎng)購(gòu)情景線索、情感特征與顧客契合行為間的關(guān)聯(lián)關(guān)系,試圖為商家優(yōu)化購(gòu)物場(chǎng)景、提升用戶(hù)黏性與轉(zhuǎn)化率,促成持續(xù)性顧客契合行為提供理論指導(dǎo)與參考價(jià)值。

二、理論基礎(chǔ)與文獻(xiàn)綜述

(一)S-O-R 理論

1974 年,Mehrabian et al.[12]構(gòu)建刺激-機(jī)體-反應(yīng)理論,即S-O-R 理論。S 代表外部刺激,O 為機(jī)體認(rèn)知、情感,R 為個(gè)體反應(yīng)。該理論認(rèn)為外界剌激會(huì)影響機(jī)體的認(rèn)知和情感,進(jìn)而影響其行為。由于這一理論能夠很好地解釋客戶(hù)的心理變化和交易行為,在網(wǎng)絡(luò)環(huán)境中,學(xué)者們對(duì)此開(kāi)展了大量研究。賀愛(ài)忠等[13]基于S-O-R 理論視角,深入剖析了微博品牌頁(yè)面特征通過(guò)用戶(hù)體驗(yàn)感知、品牌頁(yè)面態(tài)度對(duì)顧客契合行為的正向作用,為企業(yè)提高用戶(hù)體驗(yàn)和態(tài)度提出對(duì)策;Kang et al.[14]基于刺激-機(jī)體-反應(yīng)理論,通過(guò)文本挖掘開(kāi)發(fā)使用實(shí)時(shí)數(shù)據(jù)的研究模型,發(fā)現(xiàn)交互性對(duì)顧客契合行為的動(dòng)態(tài)影響;Fan et al.[15]運(yùn)用S-O-R 理論構(gòu)建實(shí)證評(píng)估模型,探討社區(qū)電子商務(wù)平臺(tái)的電子服務(wù)質(zhì)量如何通過(guò)客戶(hù)信任和感知風(fēng)險(xiǎn)影響顧客契合行為。

通過(guò)梳理S-O-R 理論在顧客契合行為研究中運(yùn)用的相關(guān)文獻(xiàn),發(fā)現(xiàn)較缺乏以網(wǎng)購(gòu)情景線索作為刺激因素的研究,且大多都把信任、滿(mǎn)意、認(rèn)同、體驗(yàn)感知等認(rèn)知狀態(tài)作為機(jī)體反應(yīng),以具體情感為中介的研究較少。基于此,本文以S-O-R 理論為支撐進(jìn)行變量選取,將網(wǎng)購(gòu)情景線索作為刺激因素、消費(fèi)者情感作為機(jī)體、顧客契合行為作為反應(yīng),研究并發(fā)現(xiàn)其關(guān)聯(lián)關(guān)系。

(二)顧客契合行為

顧客契合行為是顧客契合的行為維度上的概念。部分學(xué)者把顧客契合行為定義為非交易行為。Van Doorn et al.[16]從行為角度測(cè)量研究顧客契合,將系列非交易性行為歸納為顧客積極參與互動(dòng)、分享轉(zhuǎn)發(fā)評(píng)論、口碑推薦宣傳等。也有部分學(xué)者認(rèn)為顧客契合行為既包括交易性行為,也包括非交易性行為。Cambra-Fierro et al.[17]將顧客契合行為劃分為兩個(gè)維度進(jìn)行測(cè)量,分別是交易行為、非交易行為;王高山等[8]指出顧客契合行為除交易行為 (如重復(fù)購(gòu)買(mǎi)和推薦) 外還強(qiáng)調(diào)超越交易的在線互動(dòng)行為。由于本文以電商平臺(tái)用戶(hù)評(píng)論為研究對(duì)象,網(wǎng)購(gòu)時(shí)消費(fèi)者購(gòu)買(mǎi)交易與交流互動(dòng)等行為均對(duì)商家起到至關(guān)重要的作用。因此,本文根據(jù)國(guó)內(nèi)外文獻(xiàn)整理,把顧客契合行為定義為一系列交易性行為(如購(gòu)買(mǎi)行為)和非交易性行為(如客戶(hù)反饋、推薦意圖)[13]。為了與研究對(duì)象的特點(diǎn)切合,研究借鑒寧連舉等[18]的觀點(diǎn),將顧客契合行為分為:發(fā)現(xiàn)搜索、參與互動(dòng)、購(gòu)買(mǎi)使用、分享推薦、重復(fù)消費(fèi)五個(gè)具體維度。

已有許多學(xué)者探討了顧客契合行為的驅(qū)動(dòng)因素,主要涉及顧客、企業(yè)和環(huán)境3 個(gè)維度。在顧客層面,一些研究分析了顧客認(rèn)知和情感對(duì)其契合行為的作用,如信任、滿(mǎn)意、品牌依戀[16]以及感知價(jià)值[19]、心流體驗(yàn)[20]等。在企業(yè)層面,企業(yè)服務(wù)質(zhì)量[21]、品牌頁(yè)面特征[13]、企業(yè)管理層響應(yīng)[22]等對(duì)顧客契合行為存在影響。在環(huán)境層面,經(jīng)濟(jì)、社會(huì)、技術(shù)和競(jìng)爭(zhēng)等因素均會(huì)影響顧客契合[16]。此外,現(xiàn)有研究還探尋了顧客契合行為的效應(yīng),發(fā)現(xiàn)顧客契合行為能夠積極影響顧客信任、口碑、卷入和情感承諾等[23],并促進(jìn)品牌忠誠(chéng)度[20]。

總體而言,顧客契合行為是一個(gè)動(dòng)態(tài)迭代的連續(xù)變量,現(xiàn)有研究多數(shù)在靜態(tài)階段徘徊,面向不同消費(fèi)階段的顧客契合行為動(dòng)態(tài)形成和啟動(dòng)要素考慮不足。此外,有關(guān)顧客契合行為的研究大多受單一學(xué)科制約,亟待采用多學(xué)科交叉方式揭示顧客契合行為的演化規(guī)律和激勵(lì)機(jī)制。因此,本文結(jié)合數(shù)據(jù)挖掘、仿真實(shí)驗(yàn)等方法,進(jìn)一步探討網(wǎng)購(gòu)情景線索、顧客情感和顧客契合行為間的關(guān)聯(lián)關(guān)系,深入挖掘不同消費(fèi)階段下顧客契合行為的動(dòng)態(tài)形成過(guò)程。

三、研究設(shè)計(jì)

(一)數(shù)據(jù)采集與處理

淘寶是國(guó)內(nèi)業(yè)務(wù)量最大的電商平臺(tái),其中零食擁有龐大交易數(shù)據(jù)。本文尋找銷(xiāo)量排序靠前的零食,采用火車(chē)瀏覽器編寫(xiě)采集腳本,根據(jù)食品種類(lèi)、店鋪信息等全面爬取產(chǎn)品評(píng)論,反復(fù)測(cè)試數(shù)據(jù)集效果。

為確保數(shù)據(jù)的連續(xù)性、完整性和科學(xué)性,在采集過(guò)程中遵循樣本信息多源分布、隨機(jī)選取的原則,避免對(duì)樣本數(shù)據(jù)主觀選擇、加工和重復(fù)抓取。另外,為防止刷單、惡意評(píng)價(jià)等干擾,保證樣本真實(shí)性,研究根據(jù)虛假評(píng)價(jià)短時(shí)間內(nèi)大量出現(xiàn)、內(nèi)容相似、不描述商品屬性與體驗(yàn)只情感宣泄、評(píng)價(jià)模糊且通用等特征[24],從采集中與采集后兩個(gè)層面進(jìn)行控制。在采集時(shí),本文爬取2021 年12 月1 日—12月15 日銷(xiāo)量靠前、評(píng)論過(guò)萬(wàn)的零食產(chǎn)品數(shù)據(jù),之后又對(duì)相同產(chǎn)品抓取2022 年2 月1 日—2022 年2 月15 日評(píng)論,對(duì)比兩個(gè)時(shí)間段15 天內(nèi)評(píng)論數(shù)量,剔除各時(shí)間段內(nèi)和時(shí)間段間評(píng)論或差評(píng)數(shù)量異常變化的零食產(chǎn)品。在采集后,則對(duì)雷同評(píng)價(jià)、惡意評(píng)價(jià)與好評(píng)模板等做刪除處理。經(jīng)過(guò)以上步驟及去除四字以下評(píng)論、無(wú)明確意義評(píng)論等進(jìn)一步的數(shù)據(jù)清洗,共采集有效數(shù)據(jù)評(píng)論2 343 條。

(二)指標(biāo)選取與標(biāo)注

數(shù)據(jù)爬取后,需構(gòu)建網(wǎng)購(gòu)情景線索、情感特征與顧客契合行為3 個(gè)變量的指標(biāo)。參考王林等[25]、寧連舉等[18]的研究成果,確定讓利價(jià)值、客戶(hù)價(jià)值、客戶(hù)資產(chǎn)、知覺(jué)感知、情感體驗(yàn)、時(shí)空信息、支付信息、質(zhì)量標(biāo)準(zhǔn)、細(xì)節(jié)展示度、服務(wù)驅(qū)動(dòng)、認(rèn)同線索、安全線索、依賴(lài)線索13 個(gè)標(biāo)注字段為網(wǎng)購(gòu)情景線索指標(biāo);抱怨、緊張、愉悅感、焦慮、恐懼感、情緒起伏、成就感、自豪感、期待9 個(gè)標(biāo)注字段為顧客情感特征指標(biāo);發(fā)現(xiàn)搜索、參與互動(dòng)、購(gòu)買(mǎi)使用、分享推薦、重復(fù)消費(fèi)5 個(gè)標(biāo)注字段為顧客契合行為指標(biāo)。

對(duì)收集到的2 343 條評(píng)論信息根據(jù)確立的27 個(gè)指標(biāo)進(jìn)行標(biāo)注。每條評(píng)論信息中,若含有符合指標(biāo)含義的內(nèi)容則在對(duì)應(yīng)指標(biāo)下標(biāo)注T,不符合的則標(biāo)注F;對(duì)每條評(píng)論重復(fù)上述操作,從而形成評(píng)論信息表。

(三)數(shù)據(jù)加工與分類(lèi)

利用IBM SPSS Modeler 軟件導(dǎo)入標(biāo)注好的評(píng)論信息表,構(gòu)建可視化線索-情感-行為三個(gè)變量不同指標(biāo)間共現(xiàn)頻率大小的網(wǎng)絡(luò)。其中,變量指標(biāo)構(gòu)成網(wǎng)絡(luò)節(jié)點(diǎn),節(jié)點(diǎn)間連線越粗,相應(yīng)指標(biāo)間共現(xiàn)頻率越大。對(duì)2 343 條標(biāo)注數(shù)據(jù)進(jìn)行網(wǎng)絡(luò)分析,如圖1所示。分析發(fā)現(xiàn)購(gòu)物情景線索、情感特征以及顧客契合行為指標(biāo)之間存在明顯關(guān)聯(lián),且顧客契合行為指標(biāo)中的購(gòu)買(mǎi)使用和重復(fù)消費(fèi)對(duì)應(yīng)形成的強(qiáng)關(guān)聯(lián)關(guān)系有明顯不同。結(jié)果表明并初步驗(yàn)證了在不同消費(fèi)階段顧客契合行為及其關(guān)注情景線索存在差異。因此,本文以顧客接受企業(yè)服務(wù)次數(shù)為標(biāo)準(zhǔn)[10],依據(jù)第一次、第二次、多次、首次等原始評(píng)論語(yǔ)句對(duì)應(yīng)的新/老顧客、首購(gòu)/重購(gòu)階段,分類(lèi)顧客評(píng)論信息形成新顧客、老顧客評(píng)論信息表,分別進(jìn)行關(guān)聯(lián)研究。其中,顧客首購(gòu)評(píng)論1 183 條,重購(gòu)評(píng)論1 160 條。

圖1 購(gòu)物情景線索、情感特征及顧客契合行為指標(biāo)間關(guān)聯(lián)關(guān)系網(wǎng)絡(luò)

(四)研究方法

本文采用仿真實(shí)驗(yàn)的方法,運(yùn)用網(wǎng)絡(luò)整體且直觀地分析已標(biāo)注的用戶(hù)評(píng)論數(shù)據(jù),得出變量間關(guān)聯(lián)關(guān)系的初步結(jié)論。另外,本文采用關(guān)聯(lián)規(guī)則挖掘的研究方法,利用 IBM SPSS Modeler 數(shù)據(jù)挖掘軟件對(duì)網(wǎng)購(gòu)情景線索、情感特征、顧客契合行為特征進(jìn)行關(guān)聯(lián)挖掘。通過(guò)Apriori 算法得到關(guān)聯(lián)指標(biāo)之間的規(guī)則支持度和置信度,從而篩選得到變量間的主要關(guān)聯(lián)規(guī)則。

四、算法流程

關(guān)聯(lián)規(guī)則(形如X→Y)反映某一事物和其他事物間的相關(guān)關(guān)系和相互依賴(lài)性。若事物間存在某些關(guān)聯(lián)關(guān)系,那么就可以通過(guò)其他事物來(lái)預(yù)測(cè)其中一個(gè)事物。Apriori 算法是一種挖掘關(guān)聯(lián)規(guī)則頻繁項(xiàng)集的算法。該算法使用頻繁項(xiàng)集性質(zhì)的先驗(yàn)知識(shí)推導(dǎo)得到,并利用k項(xiàng)集逐層搜索的迭代方法探索(k+1)項(xiàng)集。算法流程如下:

1.找出所有頻繁項(xiàng)集,主要包括兩個(gè)步驟:連接和剪枝。數(shù)據(jù)庫(kù)記錄數(shù)為N,第a次掃描得到a-頻繁項(xiàng)集合為L(zhǎng)a,候選b項(xiàng)集為Cb。X→Y的規(guī)則支持度計(jì)算公式為:support(X→Y)=|X∩Y|/N。

連接步:本文設(shè)置最小支持度閾值為0.3,計(jì)算得到候選集C1中項(xiàng)的支持度,刪除支持度小于最小支持度閾值的項(xiàng),得到1-頻繁項(xiàng)集L1;從這些頻繁1 項(xiàng)集中連接各個(gè)元素產(chǎn)生候選2 項(xiàng)集C2,去除支持度小于最小支持度閾值的項(xiàng),得到2-頻繁項(xiàng)集L2,以此類(lèi)推,最后得到最大頻繁項(xiàng)集Lk。

剪枝步:檢查所有頻繁項(xiàng)集,若篩選出其存在非空子集不是頻繁的項(xiàng)集將在Ck中刪除,即剪枝。

2.根據(jù)X→Y的規(guī)則置信度計(jì)算公式:confidence(X→Y)=|X∩Y|/ |X|,計(jì)算剩余規(guī)則的置信度。若大于本文設(shè)置的最小置信度閾值0.8,則為強(qiáng)關(guān)聯(lián)規(guī)則。

五、數(shù)據(jù)分析與結(jié)果

(一)首購(gòu)階段顧客契合行為形成分析

1.指標(biāo)間網(wǎng)絡(luò)分析。對(duì)于首購(gòu)階段的新顧客,本文通過(guò) IBM SPSS Modeler 軟件導(dǎo)入新顧客評(píng)論信息,構(gòu)建網(wǎng)購(gòu)情景線索、情感特征和顧客契合行為間指標(biāo)的網(wǎng)絡(luò)?？刂凭W(wǎng)絡(luò)中的節(jié)點(diǎn)個(gè)數(shù),分別顯示各個(gè)指標(biāo)間連接的強(qiáng)弱關(guān)系,如圖2。由此可得到新顧客首購(gòu)階段各個(gè)指標(biāo)間關(guān)聯(lián)關(guān)系的初步結(jié)論,并篩選出構(gòu)成較強(qiáng)關(guān)聯(lián)的主要指標(biāo)。

圖2 首購(gòu)階段基于指標(biāo)數(shù)變化的變量關(guān)聯(lián)演化網(wǎng)絡(luò)

當(dāng)網(wǎng)絡(luò)節(jié)點(diǎn)較少時(shí),可以發(fā)現(xiàn)部分指標(biāo)構(gòu)成的節(jié)點(diǎn)及其之間的連線,形成了節(jié)點(diǎn)數(shù)量較小時(shí)指標(biāo)間關(guān)聯(lián)關(guān)系的基礎(chǔ)框架,如圖2(a)所示。知覺(jué)感知線索和細(xì)節(jié)展示度是網(wǎng)絡(luò)情景線索節(jié)點(diǎn),愉悅感為情感特征節(jié)點(diǎn),而購(gòu)買(mǎi)使用為顧客契合行為網(wǎng)絡(luò)節(jié)點(diǎn)。知覺(jué)感知線索、愉悅感和購(gòu)買(mǎi)使用行為之間形成強(qiáng)連接,說(shuō)明新顧客更關(guān)注知覺(jué)感知線索從而產(chǎn)生愉悅感引發(fā)消費(fèi);網(wǎng)購(gòu)細(xì)節(jié)展示度和購(gòu)買(mǎi)使用行為之間形成弱連接,這表明顧客對(duì)商品細(xì)節(jié)展示的獲知有助于購(gòu)買(mǎi)使用行為發(fā)生。

隨著網(wǎng)絡(luò)節(jié)點(diǎn)增加,所有變量指標(biāo)出現(xiàn),如圖2(b)所示?？梢园l(fā)現(xiàn)網(wǎng)購(gòu)細(xì)節(jié)展示度、知覺(jué)感知線索、愉悅感和購(gòu)買(mǎi)使用行為四個(gè)節(jié)點(diǎn)之間均形成強(qiáng)連接,而其他節(jié)點(diǎn)間則為弱連接。這四個(gè)節(jié)點(diǎn)及其之間的連線仍然構(gòu)成網(wǎng)絡(luò)的中心結(jié)構(gòu)。因此,研究表明無(wú)論首購(gòu)階段變量指標(biāo)間的網(wǎng)絡(luò)結(jié)構(gòu)如何演化,其核心框架趨于穩(wěn)定。

2.挖掘關(guān)聯(lián)規(guī)則。首購(gòu)階段變量指標(biāo)間關(guān)聯(lián)核心架構(gòu)趨于穩(wěn)定,即網(wǎng)絡(luò)核心節(jié)點(diǎn)及其聯(lián)系趨于穩(wěn)定。因此,本文根據(jù)網(wǎng)絡(luò)中顯現(xiàn)的主要指標(biāo)過(guò)濾新顧客評(píng)論信息,運(yùn)用Apriori 算法進(jìn)一步對(duì)首購(gòu)階段新顧客評(píng)論數(shù)據(jù)進(jìn)行關(guān)聯(lián)分析。遍歷新顧客評(píng)論信息的1 183 條數(shù)據(jù),根據(jù)設(shè)定的支持度和置信度閾值最終篩選得到17 條主要關(guān)聯(lián)規(guī)則,如表1 所示。

表1 首購(gòu)階段關(guān)聯(lián)挖掘主要規(guī)則

從表1 可以看出:(1)前項(xiàng)知覺(jué)感知=T,后項(xiàng)購(gòu)買(mǎi)使用=T 時(shí),支持度為81.488%,置信度為98.872%。即知覺(jué)感知線索和購(gòu)買(mǎi)使用同時(shí)為T(mén) 的概率為0.815,在知覺(jué)感知為T(mén) 的數(shù)據(jù)中購(gòu)買(mǎi)使用為T(mén) 的概率為0.989。(2)前項(xiàng)愉悅感=T,后項(xiàng)購(gòu)買(mǎi)使用=T 時(shí),支持度為82.333%,置信度為98.783%。即愉悅感和購(gòu)買(mǎi)使用同時(shí)為T(mén) 的概率為0.823,在愉悅感為=T 的數(shù)據(jù)中購(gòu)買(mǎi)使用為T(mén) 的概率為0.988。(3)前項(xiàng)細(xì)節(jié)展示度=T,后項(xiàng)購(gòu)買(mǎi)使用=T 時(shí),支持度為48.098%,置信度為99.302%。即細(xì)節(jié)展示度和購(gòu)買(mǎi)使用同時(shí)為T(mén) 的概率為0.481,在細(xì)節(jié)展示度為T(mén) 的數(shù)據(jù)中購(gòu)買(mǎi)使用為T(mén) 的概率為0.988。此結(jié)果也驗(yàn)證了圖2 所展示的關(guān)聯(lián)結(jié)果。

(二)重購(gòu)階段顧客契合行為形成分析

1.指標(biāo)間網(wǎng)絡(luò)分析。對(duì)于重購(gòu)階段的老顧客,本文導(dǎo)入老顧客評(píng)論信息,構(gòu)建網(wǎng)絡(luò),如圖3。由此可得到老顧客重購(gòu)階段變量指標(biāo)間關(guān)聯(lián)關(guān)系的初步結(jié)論,篩選構(gòu)成較強(qiáng)關(guān)聯(lián)的主要指標(biāo)。

圖3 重購(gòu)階段基于指標(biāo)數(shù)變化的變量關(guān)聯(lián)演化網(wǎng)絡(luò)

當(dāng)網(wǎng)絡(luò)節(jié)點(diǎn)較少時(shí),部分指標(biāo)及其之間連線組成了節(jié)點(diǎn)量較小時(shí)指標(biāo)間關(guān)聯(lián)關(guān)系的基本構(gòu)架,如圖3(a)所示。認(rèn)同線索和知覺(jué)感知線索是網(wǎng)絡(luò)情景線索節(jié)點(diǎn),愉悅感為情感特征節(jié)點(diǎn),重復(fù)消費(fèi)為顧客契合行為節(jié)點(diǎn)。重復(fù)消費(fèi)行為作為中心節(jié)點(diǎn)與認(rèn)同線索和愉悅感之間均形成強(qiáng)連接,這表明在老顧客產(chǎn)生認(rèn)同感或愉悅感的情況下,會(huì)進(jìn)行重復(fù)消費(fèi);知覺(jué)感知線索與重復(fù)消費(fèi)行為之間形成弱連接,說(shuō)明顧客良好的知覺(jué)感知有利于老顧客重復(fù)購(gòu)買(mǎi)商品。

隨著網(wǎng)絡(luò)節(jié)點(diǎn)增加,所有變量指標(biāo)出現(xiàn),如圖3(b)所示?？梢园l(fā)現(xiàn)網(wǎng)購(gòu)認(rèn)同線索、知覺(jué)感知線索、愉悅感和顧客契合重復(fù)消費(fèi)行為四個(gè)節(jié)點(diǎn)間均形成強(qiáng)連接,同時(shí)其中一些節(jié)點(diǎn)與依賴(lài)線索和參與互動(dòng)也形成較強(qiáng)連接。因此,這六個(gè)節(jié)點(diǎn)是網(wǎng)絡(luò)剩余節(jié)點(diǎn)的中心節(jié)點(diǎn),和它們之間的連線共同構(gòu)成網(wǎng)絡(luò)的中心骨架。隨著節(jié)點(diǎn)量的變化能夠發(fā)現(xiàn)雖然部分弱連接隨網(wǎng)絡(luò)規(guī)模增大轉(zhuǎn)變?yōu)閺?qiáng)連接,但重購(gòu)階段指標(biāo)間網(wǎng)絡(luò)的核心結(jié)構(gòu)仍趨于穩(wěn)定。

2.挖掘關(guān)聯(lián)規(guī)則。由于網(wǎng)絡(luò)研究中重購(gòu)階段變量指標(biāo)核心關(guān)聯(lián)框架的穩(wěn)健性,本文根據(jù)網(wǎng)絡(luò)中顯現(xiàn)的主要指標(biāo)過(guò)濾老顧客評(píng)論信息進(jìn)一步對(duì)重購(gòu)階段顧客評(píng)論進(jìn)行關(guān)聯(lián)分析。運(yùn)用Apriori 算法遍歷1 160 條評(píng)論數(shù)據(jù)最終篩選得到43 條主要關(guān)聯(lián)規(guī)則,如表2 所示。

表2 重購(gòu)階段關(guān)聯(lián)挖掘主要規(guī)則

由表2 可以看出:(1)前項(xiàng)認(rèn)同線索=T,后項(xiàng)重復(fù)消費(fèi)=T 時(shí),支持度為85.591%,置信度為99.899%。即認(rèn)同線索和重復(fù)消費(fèi)同時(shí)為T(mén) 的概率為0.856,在認(rèn)同線索為T(mén) 的標(biāo)注數(shù)據(jù)中重復(fù)消費(fèi)為T(mén) 的概率為0.999。(2)前項(xiàng)愉悅感=T,后項(xiàng)重復(fù)消費(fèi)=T 時(shí),支持度為86.713%,置信度為99.901%。即愉悅感和重復(fù)消費(fèi)同時(shí)為T(mén) 的概率為0.867,在愉悅感為T(mén) 的標(biāo)注數(shù)據(jù)中重復(fù)消費(fèi)=T 的概率為0.999。(3)前項(xiàng)依賴(lài)線索=T,后項(xiàng)重復(fù)消費(fèi)=T 時(shí),支持度為57.636%,置信度為100.000%。即愉悅感和重復(fù)消費(fèi)同時(shí)為T(mén) 的概率為0.576,在愉悅感為T(mén) 的數(shù)據(jù)中重復(fù)消費(fèi)均為T(mén)。(4)前項(xiàng)知覺(jué)感知=T,后項(xiàng)重復(fù)消費(fèi)=T 時(shí),支持度為70.923%,置信度為99.878%。即知覺(jué)感知線索和重復(fù)消費(fèi)同時(shí)為T(mén) 的概率為0.709,在知覺(jué)感知為T(mén) 的數(shù)據(jù)中重復(fù)消費(fèi)為T(mén) 的概率為0.999。(5)前項(xiàng)參與互動(dòng)=T,后項(xiàng)重復(fù)消費(fèi)=T 時(shí),支持度為42.709%,置信度為100.000%。即參與互動(dòng)和重復(fù)消費(fèi)同時(shí)為T(mén) 的概率為0.427,在知覺(jué)感知為T(mén) 的數(shù)據(jù)中重復(fù)消費(fèi)均為T(mén)。此結(jié)果可與圖3 所展示的關(guān)聯(lián)結(jié)果相互驗(yàn)證。

(三)顧客契合行為動(dòng)態(tài)形成關(guān)聯(lián)模型

通過(guò)對(duì)新、老顧客變量指標(biāo)關(guān)聯(lián)規(guī)則挖掘結(jié)果分析,構(gòu)建其中涉及的關(guān)鍵指標(biāo)與購(gòu)買(mǎi)使用、重復(fù)消費(fèi)的共現(xiàn)頻率趨勢(shì)圖,如圖4 所示。

圖4 不同消費(fèi)階段各關(guān)鍵指標(biāo)共現(xiàn)頻率趨勢(shì)

對(duì)比圖4 不同消費(fèi)階段變量間的關(guān)聯(lián)關(guān)系,發(fā)現(xiàn):知覺(jué)感知線索、細(xì)節(jié)展示度等在顧客契合形成過(guò)程中與顧客契合行為的關(guān)聯(lián)強(qiáng)度逐漸降低,知覺(jué)感知線索與首購(gòu)階段購(gòu)買(mǎi)使用行為和重購(gòu)階段重復(fù)消費(fèi)行為雖均構(gòu)成強(qiáng)連接,但共現(xiàn)概率由0.815 緩慢下降到0.709,而細(xì)節(jié)展示度在交易階段變化中下降速度較快,轉(zhuǎn)為弱連接;認(rèn)同線索和依賴(lài)線索對(duì)新顧客購(gòu)買(mǎi)使用的支持度小于0.300,而對(duì)重復(fù)消費(fèi)的支持度高達(dá)0.856和0.576,這表明認(rèn)同線索和依賴(lài)線索在不同交易階段間與顧客契合行為由弱連接轉(zhuǎn)為強(qiáng)連接,關(guān)聯(lián)程度迅速升高;參與互動(dòng)出現(xiàn)頻率隨消費(fèi)階段變化平穩(wěn)增長(zhǎng)到0.430,轉(zhuǎn)為強(qiáng)連接,契合程度不斷深化。

因此,研究提取構(gòu)成強(qiáng)關(guān)聯(lián)關(guān)系的指標(biāo)并將其對(duì)應(yīng)連接,形成首購(gòu)、重購(gòu)階段網(wǎng)購(gòu)情景線索、情感特征和顧客契合行為變量間的動(dòng)態(tài)關(guān)聯(lián)模型,如圖5 所示。在顧客首購(gòu)階段,消費(fèi)者比較關(guān)注知覺(jué)感知、細(xì)節(jié)展示度等線索,他們與愉悅感和購(gòu)買(mǎi)使用行為具有較高關(guān)聯(lián)關(guān)系。在顧客重購(gòu)階段,消費(fèi)者比較關(guān)心認(rèn)同線索、知覺(jué)感知線索、依賴(lài)線索,與愉悅感、重復(fù)消費(fèi)、參與互動(dòng)行為具有高度關(guān)聯(lián);網(wǎng)購(gòu)知覺(jué)感知線索、依賴(lài)線索并未與參與互動(dòng)契合行為產(chǎn)生直接關(guān)聯(lián),而是通過(guò)認(rèn)同線索和愉悅感,進(jìn)而作用于參與互動(dòng)行為。在首購(gòu)、重購(gòu)消費(fèi)階段內(nèi),隨著網(wǎng)絡(luò)規(guī)模呈幾何級(jí)數(shù)增長(zhǎng),關(guān)鍵節(jié)點(diǎn)具有魯棒性,顧客潛在感知與消費(fèi)行為趨于穩(wěn)定。關(guān)聯(lián)結(jié)構(gòu)中強(qiáng)連接維系高凝聚性互動(dòng)關(guān)聯(lián),大量具有社會(huì)資源效應(yīng)的弱連接雖不穩(wěn)定卻連接范圍廣泛,首購(gòu)到重購(gòu)的過(guò)程中強(qiáng)弱連接轉(zhuǎn)換進(jìn)一步加劇,加速網(wǎng)購(gòu)情景、顧客情感與顧客契合行為間關(guān)聯(lián)結(jié)構(gòu)的重組和演化。

圖5 網(wǎng)購(gòu)情景線索、情感特征與顧客契合行為動(dòng)態(tài)關(guān)聯(lián)模型

六、結(jié)論與展望

(一)研究結(jié)論

本文通過(guò)非結(jié)構(gòu)化評(píng)論信息文本數(shù)據(jù)挖掘和結(jié)構(gòu)化商家與網(wǎng)購(gòu)者屬性數(shù)據(jù)挖掘,動(dòng)態(tài)地構(gòu)建了網(wǎng)購(gòu)情景線索、顧客情感和顧客契合行為間的關(guān)聯(lián)模型,提供了一個(gè)清晰的顧客契合行為形成圖譜。研究結(jié)論如下:

1.新顧客首購(gòu)時(shí),網(wǎng)購(gòu)情景線索中知覺(jué)感知線索和細(xì)節(jié)展示度、消費(fèi)者情感特征中的愉悅感、顧客契合行為中購(gòu)買(mǎi)使用行為四個(gè)指標(biāo)之間關(guān)聯(lián)關(guān)系較強(qiáng)。消費(fèi)者在首次購(gòu)買(mǎi)時(shí)尤其注重個(gè)人感知以及商品自身細(xì)節(jié)的呈現(xiàn),精美的包裝、優(yōu)良的性能以及對(duì)商品參數(shù)、配置、加工過(guò)程的展示更可以吸引新顧客,驅(qū)動(dòng)購(gòu)買(mǎi)行為。

2.重購(gòu)階段時(shí),老顧客關(guān)注的網(wǎng)購(gòu)情景線索和契合行為與首購(gòu)階段相比發(fā)生變化,網(wǎng)購(gòu)認(rèn)同線索、依賴(lài)線索、知覺(jué)感知線索、愉悅感與顧客契合行為中參與互動(dòng)和重復(fù)消費(fèi)行為共六個(gè)指標(biāo)之間具有較強(qiáng)的關(guān)聯(lián)關(guān)系。老顧客在重復(fù)購(gòu)買(mǎi)時(shí)對(duì)商家的認(rèn)同、依賴(lài)以及對(duì)商品的感知達(dá)成動(dòng)機(jī)內(nèi)化,從而增強(qiáng)重購(gòu)意愿,進(jìn)一步激勵(lì)利益相關(guān)者間交流互動(dòng)、分享信息,并對(duì)價(jià)值共創(chuàng)產(chǎn)生積極影響。

3.情景線索、情感特征與顧客契合行為核心關(guān)聯(lián)結(jié)構(gòu)在各消費(fèi)階段內(nèi)基本穩(wěn)定,消費(fèi)階段間醞釀質(zhì)變。模型顯示知覺(jué)感知線索在整體消費(fèi)進(jìn)程中均占有重要地位,但在重購(gòu)階段與重復(fù)消費(fèi)指標(biāo)同時(shí)出現(xiàn)的概率明顯小于首購(gòu)階段與購(gòu)買(mǎi)使用指標(biāo)同時(shí)出現(xiàn)的概率。細(xì)節(jié)展示度與愉悅感、新顧客購(gòu)買(mǎi)使用行為具有較高關(guān)聯(lián)反應(yīng),但在重購(gòu)階段轉(zhuǎn)為弱連接。同時(shí),認(rèn)同線索、依賴(lài)線索、參與互動(dòng)則與重復(fù)消費(fèi)轉(zhuǎn)為強(qiáng)連接。由此可知,在重復(fù)消費(fèi)階段,隨著顧客契合程度提升,消費(fèi)者對(duì)商品細(xì)節(jié)、質(zhì)地、性能等屬性的關(guān)注度降低,對(duì)價(jià)格波動(dòng)的敏感度下降,對(duì)商家信任與依賴(lài)水平上升。

(二)理論貢獻(xiàn)

第一,本文基于S-O-R 理論,揭示了在線購(gòu)物時(shí)情景線索-情感-顧客契合行為的內(nèi)在聯(lián)系,厘清了三者之間的作用機(jī)制,透析了顧客契合行為的動(dòng)態(tài)形成過(guò)程,進(jìn)一步拓展了顧客契合行為理論。

第二,本文彌補(bǔ)了過(guò)去靜態(tài)研究的不足,基于不同消費(fèi)階段考察不同消費(fèi)主體網(wǎng)購(gòu)時(shí)的關(guān)注場(chǎng)景和契合行為,不僅使得顧客契合行為的動(dòng)態(tài)形成機(jī)理和激勵(lì)機(jī)制更加完善,還為網(wǎng)絡(luò)服務(wù)的量化研究提供了新的思路與解決方案。

第三,本文創(chuàng)新性地運(yùn)用自然語(yǔ)言處理、仿真實(shí)驗(yàn)與數(shù)據(jù)挖掘方法,豐富了網(wǎng)購(gòu)行為大數(shù)據(jù)與行為科學(xué)的融合研究,揭示了顧客契合行為的動(dòng)態(tài)演化機(jī)制,這對(duì)于多學(xué)科滲透聯(lián)合研究提供了一種范式。

(三)管理啟示

首先,本文有助于電商平臺(tái)與商家利用可控制、低成本的網(wǎng)購(gòu)情景因素強(qiáng)化顧客購(gòu)買(mǎi)與契合行為。鑒于消費(fèi)者愈加追求產(chǎn)品信息的公開(kāi)透明和輕松愉悅的消費(fèi)體驗(yàn),商家需進(jìn)一步重視網(wǎng)站布局,精細(xì)化商品信息展示頁(yè)面,利用視頻、圖片、文字說(shuō)明等方式更加直觀地全方面展示商品生產(chǎn)過(guò)程、參數(shù)、功能、效果等細(xì)節(jié)信息,同時(shí)可以通過(guò)改善色彩搭配、精致程度與風(fēng)格設(shè)計(jì)等美學(xué)體驗(yàn)來(lái)贏得消費(fèi)者青睞。

其次,動(dòng)態(tài)效應(yīng)分析進(jìn)一步發(fā)現(xiàn)不同消費(fèi)階段客戶(hù)對(duì)不同情景線索的感知以及實(shí)施的顧客契合行為存在差異。商家應(yīng)融合精準(zhǔn)營(yíng)銷(xiāo)策略定制服務(wù)推薦和購(gòu)物體驗(yàn),對(duì)新老顧客群體分別施以不同激勵(lì)措施。對(duì)于新顧客要注重商品自身競(jìng)爭(zhēng)優(yōu)勢(shì)的展現(xiàn),并適當(dāng)采取廣告活動(dòng)、促銷(xiāo)策略等升級(jí)客戶(hù)購(gòu)物體驗(yàn),促進(jìn)品牌互動(dòng);而對(duì)于老顧客則要注重關(guān)系維護(hù),通過(guò)定期回訪、簡(jiǎn)化程序、個(gè)性化推薦等方法進(jìn)一步增強(qiáng)其與品牌或商家的契合水平。

最后,隨著顧客契合程度加深,消費(fèi)者不僅對(duì)商品屬性和價(jià)格的解釋度、包容度有明顯提升,與企業(yè)及其他消費(fèi)者交流互動(dòng)、分享推薦的意愿也更加強(qiáng)烈。因此,商家要積極建立發(fā)展與顧客間的“契合”關(guān)系,提升客戶(hù)服務(wù)質(zhì)量,獲得顧客資源與顧客轉(zhuǎn)化。契合程度越深,服務(wù)消費(fèi)的不確定性越低,越能為企業(yè)派生價(jià)值。同時(shí),商家要正確認(rèn)識(shí)客戶(hù)評(píng)價(jià)的重要性,積極構(gòu)建顧客信任、管理顧客契合、發(fā)展社交電商是十分重要的營(yíng)銷(xiāo)手段。